本發(fā)明涉及網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別是涉及一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知方法及裝置。

背景技術(shù)：

目前，網(wǎng)絡(luò)態(tài)勢感知(Cyberspace Situation Awareness，CSA)，即網(wǎng)絡(luò)安全態(tài)勢感知(Network Security Situation Awareness，NSSA)，此概念由Time Bass在1999年首次提出。此后Stephen G.Batsen和Kokar M.M在Time Bass的基礎(chǔ)上也提出了相關(guān)模型，都旨在使成熟的態(tài)勢感知技術(shù)和理念應(yīng)用在網(wǎng)絡(luò)信息安全技術(shù)當(dāng)中，從而增強(qiáng)計(jì)算機(jī)網(wǎng)絡(luò)的安全性。

網(wǎng)絡(luò)態(tài)勢感知的研究方向集中在態(tài)勢感知模型的建立，態(tài)勢評(píng)估的方法和框架的探討以及態(tài)勢預(yù)測精度的提高等。在網(wǎng)絡(luò)安全態(tài)勢感知模型方面，賈焰等對(duì)采集到的網(wǎng)絡(luò)安全態(tài)勢數(shù)據(jù)集中處理并進(jìn)行關(guān)聯(lián)分析，由構(gòu)建好的指標(biāo)體系進(jìn)行態(tài)勢的預(yù)測，其提出的模型適用于規(guī)模較大的網(wǎng)絡(luò)。張丹等提出了基于自律計(jì)算的NSSA模型，該模型首先利用自律反饋特性提取影響網(wǎng)絡(luò)安全的因素，態(tài)勢評(píng)估模型的建立則采用層次分析法(AHP)，經(jīng)過改進(jìn)的神經(jīng)網(wǎng)絡(luò)方法將在態(tài)勢的預(yù)測方面上使用。劉念等在前人的研究基礎(chǔ)之上以及受生物免疫系統(tǒng)原理的啟發(fā)，提出了基于免疫的態(tài)勢感知方法，并將灰色馬爾科夫模型應(yīng)用于態(tài)勢預(yù)測，由此建立的模型是網(wǎng)絡(luò)安全主動(dòng)防御較好的解決方案。張勇幢等采用多傳感器對(duì)網(wǎng)絡(luò)中的安全數(shù)據(jù)進(jìn)行檢測，由此得到網(wǎng)絡(luò)的資產(chǎn)、威脅數(shù)據(jù)和脆弱性數(shù)據(jù)并對(duì)此進(jìn)行博弈分析，提出了基于Markov博弈模型的NSSA方法。劉效武等提出的NSSA模型將來自不同傳感器收集到的各類信息進(jìn)行融合處理，運(yùn)用粒子群優(yōu)化算法尋找D-S的最優(yōu)權(quán)重，此方法能很好的識(shí)別網(wǎng)絡(luò)威脅行為，并能準(zhǔn)確反映威脅行為的破壞程度。在網(wǎng)絡(luò)安全態(tài)勢評(píng)估方面，國家數(shù)字交換系統(tǒng)工程技術(shù)研究中心的章麗娟等分析了影響網(wǎng)絡(luò)安全態(tài)勢的因素，并基于此提出了模糊層次分析的態(tài)勢評(píng)估模型。孟錦等提出帶時(shí)間參數(shù)的層次化網(wǎng)絡(luò)安全態(tài)勢評(píng)估模型是在對(duì)時(shí)變D-S證據(jù)理論方法進(jìn)行創(chuàng)新的基礎(chǔ)上，融合多個(gè)傳感器采集到的信息得來。李玲娟等提出的層次化態(tài)勢評(píng)估模型主要采用灰色關(guān)聯(lián)分析法關(guān)注某一特定時(shí)間的網(wǎng)絡(luò)攻擊行為，并由此關(guān)聯(lián)到當(dāng)前所研究的網(wǎng)絡(luò)環(huán)境中，實(shí)現(xiàn)網(wǎng)絡(luò)安全的態(tài)勢評(píng)估。大多數(shù)的網(wǎng)絡(luò)安全態(tài)勢評(píng)估都會(huì)忽略影響網(wǎng)絡(luò)安全的數(shù)據(jù)分布特點(diǎn)，李方偉等則通過改進(jìn)傳統(tǒng)的模糊層次法，提出的基于此方法的網(wǎng)絡(luò)安全態(tài)勢評(píng)估模型彌補(bǔ)這一缺陷，并避免在進(jìn)行網(wǎng)絡(luò)安全數(shù)據(jù)預(yù)處理時(shí)過分依賴專家而引起預(yù)處理結(jié)果過于主觀等問題。在網(wǎng)絡(luò)安全態(tài)勢預(yù)測方面，所選用的預(yù)測方法需要對(duì)目標(biāo)網(wǎng)絡(luò)的歷史評(píng)估數(shù)據(jù)具有很高的敏感性。尤馬彥等憑借Elman神經(jīng)網(wǎng)絡(luò)不僅對(duì)歷史數(shù)據(jù)敏感而且具有動(dòng)態(tài)記憶功能的兩個(gè)特性，將此方法作為態(tài)勢預(yù)測的方法應(yīng)用在其開發(fā)的網(wǎng)絡(luò)安全系統(tǒng)上，并用實(shí)際例子證明了此方法的有效性。在實(shí)際應(yīng)用中，往往由于缺少樣本數(shù)據(jù)而使得網(wǎng)絡(luò)安全態(tài)勢預(yù)測結(jié)果精度下降，向西西等提出新的態(tài)勢預(yù)測方法采用不需要任何樣本來訓(xùn)練參數(shù)的卡爾曼算法，很好地解決了這一難題。陳雷等分析了傳統(tǒng)灰色預(yù)測模型的不足，用自適應(yīng)的灰色參數(shù)及等維灰色填充方法提出了改進(jìn)的自適應(yīng)灰色模型進(jìn)行網(wǎng)絡(luò)安全態(tài)勢的預(yù)測。

但是現(xiàn)有技術(shù)中，大多數(shù)預(yù)測態(tài)勢感知方法只給出了整個(gè)網(wǎng)絡(luò)的預(yù)測態(tài)勢值，傳統(tǒng)的態(tài)勢感知方法只是預(yù)測某一個(gè)值，沒有對(duì)流量的經(jīng)緯度和流向進(jìn)行預(yù)測，無法給出整個(gè)網(wǎng)絡(luò)在短時(shí)間段內(nèi)網(wǎng)絡(luò)流量的流動(dòng)態(tài)勢，即網(wǎng)絡(luò)流量將會(huì)從哪里流向到哪里，讓當(dāng)前使用者無法提前部署做好網(wǎng)絡(luò)資源部署和防御網(wǎng)絡(luò)攻擊的相關(guān)準(zhǔn)備。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知方法及裝置，以實(shí)現(xiàn)獲取網(wǎng)絡(luò)流量的流動(dòng)態(tài)勢。

為解決上述技術(shù)問題，本發(fā)明提供一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知方法，該方法包括：

采用正余雙弦算法調(diào)整Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值；

對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，獲取網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列；

對(duì)網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列進(jìn)行聚類歸一化處理，獲得網(wǎng)絡(luò)流量的攻擊趨向和態(tài)勢流向。

優(yōu)選的，所述Elman神經(jīng)網(wǎng)絡(luò)為帶反饋的BP神經(jīng)網(wǎng)絡(luò)。

優(yōu)選的，所述采用正余雙弦算法調(diào)整Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，包括：

獲取訓(xùn)練樣本集，利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練；

在對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練的過程中，通過Elman神經(jīng)網(wǎng)絡(luò)向正余雙弦算法提供訓(xùn)練的均方誤差MSE，得到正余雙弦算法反饋的權(quán)值W和閾值B，將權(quán)值W和閾值B輸入至Elman神經(jīng)網(wǎng)絡(luò)。

優(yōu)選的，所述聚類歸一化處理為態(tài)勢感知模型的聚類歸一化處理。

本發(fā)明還提供一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知裝置，該裝置包括：

調(diào)整模塊，用于采用正余雙弦算法調(diào)整Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值；

優(yōu)化模塊，用于對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，獲取網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列；

聚類模塊，用于對(duì)網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列進(jìn)行聚類歸一化處理，獲得網(wǎng)絡(luò)流量的攻擊趨向和態(tài)勢流向。

優(yōu)選的，所述Elman神經(jīng)網(wǎng)絡(luò)為帶反饋的BP神經(jīng)網(wǎng)絡(luò)。

優(yōu)選的，所述調(diào)整模塊包括：

訓(xùn)練單元，用于獲取訓(xùn)練樣本集，利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練；

獲取單元，用于在對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練的過程中，通過Elman神經(jīng)網(wǎng)絡(luò)向正余雙弦算法提供訓(xùn)練的均方誤差MSE，得到正余雙弦算法反饋的權(quán)值W和閾值B，將權(quán)值W和閾值B輸入至Elman神經(jīng)網(wǎng)絡(luò)。

優(yōu)選的，所述聚類歸一化處理為態(tài)勢感知模型的聚類歸一化處理。

本發(fā)明所提供的一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知方法及裝置，采用正余雙弦算法調(diào)整Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值；對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，獲取網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列；對(duì)網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列進(jìn)行聚類歸一化處理，獲得網(wǎng)絡(luò)流量的攻擊趨向和態(tài)勢流向?？梢?，通過采用正余雙弦算法自適應(yīng)調(diào)整Elman神經(jīng)網(wǎng)絡(luò)閾值和權(quán)值，進(jìn)而優(yōu)化神經(jīng)網(wǎng)絡(luò)模型來預(yù)測短時(shí)間內(nèi)網(wǎng)絡(luò)流量樣本大小、所屬經(jīng)緯度和流向的時(shí)間序列值，然后將獲得的各個(gè)屬性預(yù)測值經(jīng)過態(tài)勢感知模型的聚類歸一化處理，獲得網(wǎng)絡(luò)短時(shí)間內(nèi)的攻擊趨向和態(tài)勢流向，有利于網(wǎng)絡(luò)資源部署管理和網(wǎng)絡(luò)攻擊的防御。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明所提供的一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知方法的流程圖；

圖2為正余雙弦搜索尋優(yōu)圖；

圖3為SCA-Elman訓(xùn)練優(yōu)化模型示意圖；

圖4為SCA-Elman預(yù)測模型示意圖；

圖5為態(tài)勢感知系統(tǒng)模型示意圖；

圖6為本發(fā)明所提供的一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

本發(fā)明的核心是提供一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知方法及裝置，以實(shí)現(xiàn)獲取網(wǎng)絡(luò)流量的流動(dòng)態(tài)勢。

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參考圖1，圖1為本發(fā)明所提供的一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知方法的流程圖，該方法包括：

S11：采用正余雙弦算法調(diào)整Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值；

S12：對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，獲取網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列；

S13：對(duì)網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列進(jìn)行聚類歸一化處理，獲得網(wǎng)絡(luò)流量的攻擊趨向和態(tài)勢流向。

可見，該方法通過采用正余雙弦算法自適應(yīng)調(diào)整Elman神經(jīng)網(wǎng)絡(luò)閾值和權(quán)值，進(jìn)而優(yōu)化神經(jīng)網(wǎng)絡(luò)模型來預(yù)測短時(shí)間內(nèi)網(wǎng)絡(luò)流量樣本大小、所屬經(jīng)緯度和流向的時(shí)間序列值，然后將獲得的各個(gè)屬性預(yù)測值經(jīng)過態(tài)勢感知模型的聚類歸一化處理，獲得網(wǎng)絡(luò)短時(shí)間內(nèi)的攻擊趨向和態(tài)勢流向，有利于網(wǎng)絡(luò)資源部署管理和網(wǎng)絡(luò)攻擊的防御。

基于上述方法，其中，正余雙弦算法(Sine Cosine Algorithm，SCA)是根據(jù)儒家思想提出的一種新型群智能算法。

對(duì)于正余雙弦算法，具體的，種群中的粒子通過正余雙旋兩個(gè)方向作對(duì)數(shù)螺旋運(yùn)動(dòng)捕獲最優(yōu)解，其中余弦搜索尋優(yōu)運(yùn)動(dòng)以最優(yōu)個(gè)體X_best作為螺線運(yùn)動(dòng)的定位坐標(biāo)，加快的收斂速度，而正弦搜索尋優(yōu)運(yùn)動(dòng)以隨機(jī)個(gè)體X_rand為螺線運(yùn)動(dòng)的定位坐標(biāo)，避免個(gè)體向局部極小區(qū)域靠攏，提高算法跳出局部最優(yōu)的能力。并在算法中引入混沌算子來控制種群個(gè)體的運(yùn)動(dòng)區(qū)域，其正余雙弦的計(jì)算分別如式(1)和(2)所示。

式(1)和式(2)分別是正弦螺線運(yùn)動(dòng)和余弦螺線運(yùn)動(dòng)搜索尋優(yōu)的公式，其中參數(shù)r₁的作用是控制正弦全局搜索和余弦局部開發(fā)的區(qū)域范圍，其計(jì)算如式(3)所示。參數(shù)r₂是基于立方混沌映射的優(yōu)化算子，其計(jì)算如式(4)所示。參數(shù)r₃是區(qū)間[0,2]上的隨機(jī)數(shù)，控制隨機(jī)個(gè)體X_rand和最優(yōu)個(gè)體X_best距離當(dāng)前個(gè)體X遠(yuǎn)近程度的影響。

在式(3)中，a為常數(shù)，t是當(dāng)前迭代次數(shù)，T為總迭代次數(shù)，r₁隨著迭代次數(shù)的增加自適應(yīng)減少，縮小正余雙弦的尋優(yōu)區(qū)域范圍，使算法最終收斂于同一個(gè)最優(yōu)解中，保證了算法的收斂性。

在式(4)中，通過混沌映射自身的隨機(jī)性和遍歷性，自適應(yīng)地調(diào)整種群個(gè)體的變異程度，增強(qiáng)了正余雙弦在尋優(yōu)中跳出局部最優(yōu)解的能力。

在式(1)的正弦混沌螺線運(yùn)動(dòng)中使用隨機(jī)種群個(gè)體X_rand為導(dǎo)航坐標(biāo)，繞著正弦對(duì)數(shù)螺線的軌跡運(yùn)動(dòng)，全局搜索尋找最優(yōu)解，維持種群的多樣性，避免種群個(gè)體過度集中，陷入局部最優(yōu)解。同時(shí)通過式(2)的余弦混沌螺線運(yùn)動(dòng)，以最優(yōu)個(gè)體X_best為導(dǎo)航坐標(biāo)，加快尋優(yōu)定位的速度。

圖2展示了粒子個(gè)體分別按正余雙弦機(jī)制在同一個(gè)空間的不同區(qū)域范圍內(nèi)中進(jìn)行全局搜索和局部尋優(yōu)。正弦混沌全局搜索減少了余弦混沌局部開發(fā)的尋優(yōu)盲點(diǎn)，避免潛在最優(yōu)解被丟失的情況發(fā)生。而余弦混沌局部開發(fā)彌補(bǔ)正弦混沌全局搜索收斂速度慢的缺陷，提高了算法的效率。并通過引入貪婪機(jī)制，比較正弦混沌捕食和余弦混沌捕食產(chǎn)生的解，擇優(yōu)保留。正余混沌雙弦交叉尋優(yōu)，相輔相成，促進(jìn)了個(gè)體信息在種群中快速傳播，使種群個(gè)體最終收斂于同一個(gè)最優(yōu)解中，一方面防止算法早熟，提高求解精度，另一方面加快收斂速度，提高求解效率。

基于上述方法，進(jìn)一步的，所述Elman神經(jīng)網(wǎng)絡(luò)為帶反饋的BP神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步的，步驟S11的過程具體包括：

S1：獲取訓(xùn)練樣本集，利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練；

S2：在對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練的過程中，通過Elman神經(jīng)網(wǎng)絡(luò)向正余雙弦算法提供訓(xùn)練的均方誤差MSE，得到正余雙弦算法反饋的權(quán)值W和閾值B，將權(quán)值W和閾值B輸入至Elman神經(jīng)網(wǎng)絡(luò)。

詳細(xì)的，本方法采用正余雙弦算法(SCA)優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)閥值和權(quán)值。

Elman神經(jīng)網(wǎng)絡(luò)是一種帶反饋的BP網(wǎng)絡(luò)，其具有局部記憶單元、局部反饋連接的前向神經(jīng)網(wǎng)絡(luò)以及與多層前向網(wǎng)絡(luò)相似的多層結(jié)構(gòu)。與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，Elman神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的動(dòng)態(tài)行為以及計(jì)算能力，適用于建立時(shí)間序列的預(yù)測模型。然而Elman與BP神經(jīng)網(wǎng)絡(luò)同樣采用動(dòng)量梯度下降法調(diào)整權(quán)值和閾值，容易陷入局部最優(yōu)，而且當(dāng)影響因素和學(xué)習(xí)樣本增多時(shí)，神經(jīng)網(wǎng)絡(luò)的計(jì)算量和權(quán)值數(shù)將急劇增加，導(dǎo)致收斂速度慢。因此本文在Elman的訓(xùn)練中加入SCA算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)，通過SCA算法，使Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值自適應(yīng)調(diào)整，提高預(yù)測精度和速度。

圖3展示了SCA-Elman的訓(xùn)練優(yōu)化模型，設(shè)神經(jīng)網(wǎng)絡(luò)輸出層向量為n維，隱含層和承接層的向量均為h維，以及輸出層的向量為m維。而IW_hn、OW_mh和CW_hh分別是輸入層到隱含層、隱含層到輸出層和承接到隱含層的連接權(quán)值，而b_Hh、b_Ch、b_Mm分別為隱含層、承接層和輸出層對(duì)應(yīng)的閥值。Elman神經(jīng)網(wǎng)絡(luò)獲取訓(xùn)練樣本集后開始訓(xùn)練，在其過程中向SCA算法提供訓(xùn)練的均方誤差MSE，SCA算法向Elman神經(jīng)網(wǎng)絡(luò)反饋對(duì)應(yīng)訓(xùn)練層的權(quán)值W和閥值B。然后Elman神經(jīng)網(wǎng)絡(luò)根據(jù)SCA算法反饋的值自適應(yīng)調(diào)整訓(xùn)練，其評(píng)價(jià)適應(yīng)度函數(shù)如式(5)所示，y_k(w)和分別是Elman神經(jīng)網(wǎng)絡(luò)的期望輸出值和實(shí)際輸出值，m是輸出層訓(xùn)練維數(shù)。

CCGWO算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的具體訓(xùn)練過程如下：

步驟1、建立Elman神經(jīng)網(wǎng)絡(luò)，設(shè)置基本參數(shù)；

步驟2、初始化種群，其個(gè)體編碼如下：

I_i＝1,...,N＝[IW₁₁...IW_hnCW₁₁...CW_hhOW₁₁...OW_mhb_H1...b_Hhb_C1...b_Chb_M1...b_Mm]；

步驟3、訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)，根據(jù)訓(xùn)練結(jié)果采用式(5)計(jì)算種群個(gè)體的適應(yīng)度值；

步驟4、根據(jù)式(1)和式(2)進(jìn)行正余雙弦尋優(yōu)搜索開發(fā)，對(duì)種群個(gè)體解碼，橫縱雙向的子代相互競爭擇優(yōu)留下，并自適應(yīng)調(diào)整相關(guān)的權(quán)值W和閥值B，反饋給Elman神經(jīng)網(wǎng)絡(luò)；

步驟5、判斷終止條件是否滿足。如果種群的迭代次數(shù)大于設(shè)定的最大值或Elman適應(yīng)度函數(shù)fobj的值小于0.01時(shí)，訓(xùn)練結(jié)束，否則跳轉(zhuǎn)到步驟3繼續(xù)訓(xùn)練優(yōu)化神經(jīng)網(wǎng)絡(luò)。

基于上述方法，進(jìn)一步的，所述聚類歸一化處理為態(tài)勢感知模型的聚類歸一化處理。

本方法預(yù)測短時(shí)間內(nèi)網(wǎng)絡(luò)流量大小、所屬經(jīng)緯度和流向的時(shí)間序列值，其預(yù)測過程如4所示。圖4為SCA-ELMAN預(yù)測模型示意圖。

其中，獲得流量的各個(gè)屬性預(yù)測值經(jīng)過態(tài)勢感知模型的聚類歸一化處理，其網(wǎng)絡(luò)流量聚類的計(jì)算如式(6)所示。

在式(6)中，將預(yù)測獲得的網(wǎng)絡(luò)流量各個(gè)組合屬性，按照規(guī)則經(jīng)緯度在半徑范圍r內(nèi)的網(wǎng)絡(luò)流量按照網(wǎng)絡(luò)流量的流向分類疊加，獲得網(wǎng)絡(luò)短時(shí)間內(nèi)的在一定范圍內(nèi)的流量流向趨勢，掌握全網(wǎng)的網(wǎng)絡(luò)流量態(tài)勢，其態(tài)勢感知系統(tǒng)如圖5所示。圖5為態(tài)勢感知系統(tǒng)模型示意圖。

本發(fā)明采用SCA群智能算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)，采用SCA-Elman模型預(yù)測網(wǎng)絡(luò)流量大小、經(jīng)緯度和流向的時(shí)間序列，對(duì)各屬性預(yù)測值聚類歸一化處理獲得網(wǎng)絡(luò)短時(shí)間內(nèi)的在一定范圍內(nèi)的流量流向趨勢，掌握全網(wǎng)的網(wǎng)絡(luò)流量態(tài)勢。本發(fā)明能夠給出整個(gè)網(wǎng)絡(luò)在短時(shí)間段內(nèi)在一定范圍流量的流動(dòng)態(tài)勢，即流量將會(huì)從哪里流動(dòng)到哪里，讓當(dāng)前使用者無法提前部署做好網(wǎng)絡(luò)資源部署和防御網(wǎng)絡(luò)攻擊的相關(guān)準(zhǔn)備。

圖6為本發(fā)明所提供的一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知裝置的結(jié)構(gòu)示意圖，該裝置包括：

調(diào)整模塊101，用于采用正余雙弦算法調(diào)整Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值；

優(yōu)化模塊102，用于對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，獲取網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列；

聚類模塊103，用于對(duì)網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列進(jìn)行聚類歸一化處理，獲得網(wǎng)絡(luò)流量的攻擊趨向和態(tài)勢流向。

可見，該裝置通過采用正余雙弦算法自適應(yīng)調(diào)整Elman神經(jīng)網(wǎng)絡(luò)閾值和權(quán)值，進(jìn)而優(yōu)化神經(jīng)網(wǎng)絡(luò)模型來預(yù)測短時(shí)間內(nèi)網(wǎng)絡(luò)流量樣本大小、所屬經(jīng)緯度和流向的時(shí)間序列值，然后將獲得的各個(gè)屬性預(yù)測值經(jīng)過態(tài)勢感知模型的聚類歸一化處理，獲得網(wǎng)絡(luò)短時(shí)間內(nèi)的攻擊趨向和態(tài)勢流向，有利于網(wǎng)絡(luò)資源部署管理和網(wǎng)絡(luò)攻擊的防御。

基于上述裝置，具體的，Elman神經(jīng)網(wǎng)絡(luò)為帶反饋的BP神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步的，調(diào)整模塊包括：

訓(xùn)練單元，用于獲取訓(xùn)練樣本集，利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練；

獲取單元，用于在對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練的過程中，通過Elman神經(jīng)網(wǎng)絡(luò)向正余雙弦算法提供訓(xùn)練的均方誤差MSE，得到正余雙弦算法反饋的權(quán)值W和閾值B，將權(quán)值W和閾值B輸入至Elman神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步的，聚類歸一化處理為態(tài)勢感知模型的聚類歸一化處理。

以上對(duì)本發(fā)明所提供的一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢感知方法及裝置進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。